Neural network-based timewalk correction for the Timepix4 ASIC
تقدم هذه الورقة شبكة عصبية أمامية مدمجة لتصحيح زمن المشي (timewalk) في كواشف بكسل هجينة من نوع Timepix4، والتي تتفوق على عمليات الملاءمة الاستدلالية التقليدية عبر تحقيق دقة زمنية مماثلة باستخدام 20% فقط من بيانات المعايرة مع إلغاء الحاجة إلى فرضيات وظيفية صريحة أو مخططات تقسيم.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم فيزياء الجسيمات عالي الطاقة، يبني العلماء آلات ضخمة لتحطيم الذرات مع بعضها البعض ودراسة الحطام الناتج. ولتفسير مليارات الاصطدامات التي تحدث كل ثانية، يعتمدون على كواشف تعمل مثل كاميرات فائقة السرعة، تلتقط صوراً للجسيمات المشحونة أثناء مرورها. لعقود من الزمن، كانت هذه الكاميرات ممتازة في تسجيل مكان مرور الجسيم، لكنها واجهت صعوبة في تسجيل متى مر بالضبط. إن إضافة توقيت دقيق لهذه الكواشف هي الجبهة العظما القادمة، مما يسمح للباحثين بفرز كومة الفوضى من الاصطدامات المتداخلة ورؤية التسلسل الحقيقي للأحداث. ومع ذلك، فإن الحصول على طابع زمني مثالي أمر صعب لأن الإلكترونيات التي تقرأ الإشارة ليست متجانسة تماماً. فعندما يصطدم جسيم بمستشعر، فإنه يولد شحنة كهربائية؛ وكلما كانت الشحنة أكبر، سجلت الإلكترونيات الضربة بشكل أسرع. وهذا يعني أن الإشارة القوية تصل قبل الإشارة الضعيفة بقليل، حتى لو اصطدمت الجسيمات في اللحظة ذاتها تماماً. هذا التأخير، المعروف باسم "المشي الزمني" (timewalk)، هو مصدر إزعاج يجب تصحيحه لتحقيق الدقة المطلوبة للتجارب المستقبلية.
ولإصلاح ذلك، طور باحثون في جامعة أكسفورد، ونيكهيف (Nikhef)، وسيرن (CERN)، طريقة جديدة لمعايرة هذه الكواشف باستخدام الذكاء الاصطناعي. وقد اختبروا طريقتهم على شريحة محددة تسمى "Timepix4"، وهي عبارة عن شبكة صغيرة من المستشعرات المصممة لتتبع الجسيمات بسرعة مذهلة. قارن الفريق نهجهم الجديد بالأسلوب المعياري المستخدم في هذا المجال. وتتضمن الطريقة التقليدية لتصحيح التأخير الزمني إنشاء خريطة معقدة؛ حيث يأخذ العلماء كمية هائلة من البيانات، ويقسمون سطح المستشعر إلى مربعات صغيرة، ثم يطابقون منحنى رياضياً محدداً على البيانات في كل مربع. يعمل هذا بشكل جيد إذا توفرت بيانات وفيرة، ولكنه يصبح عملية بطيئة وهشة إذا كانت البيانات شحيحة أو غير موزعة بانتظام. فإذا لم يتوفر عدد كافٍ من الضربات في مربع ما على الخريطة، تفشل عملية التصحيح، مما يترك فجوات في البيانات.
اقترح الباحثون استبدال هذا النظام القائم على الخرائط والجامد بشبكة عصبية مدمجة، وهي نوع من برامج الكمبيوتر المصممة لتعلم الأنماط من البيانات. فبدلاً من إجبار البيانات على الدخول في صناديق محددة مسبقاً ومطابقة المنحنيات، تنظر الشبكة العصبية إلى المعلومات الخام — حجم الشحنة الكهربائية والمكان الدقيق الذي ضرب فيه الجسيم المستشعر — وتتعلم العلاقة مباشرة. الأمر يشبه تعليم طالب التعرف على وجه ما من خلال إظهار آلاف الأمثلة له، بدلاً من إعطائه قائمة مراجعة للميزات التي يجب قياسها. قام الفريق بتدريب هذه الشبكة باستخدام بيانات جُمعت من حزمة من الجسيمات من مسرع (SPS) التابع لـ "سيرن" في عام 2025. واختبروا النظام على مستشعرات بسماكتين مختلفتين، إحداهما تقاس بـ 100 ميكرومتر والأخرى بـ 300 ميكرومتر، لمعرفة مدى قدرة الشبكة العصبية على التكيف مع الظروف الفيزيائية المختلفة.
أظهرت النتائج أن الشبكة العصبية لم تكن دقيقة فحسب، بل كانت أيضاً أكثر كفاءة بكثير من الطريقة التقليدية. فعندما كان لدى الباحثين كمية كبيرة من بيانات المعايرة، أدى كلا الأسلوبين أداءً متساوياً، حيث وصلا إلى دقة توقيت بلغت 180 بيكوثانية للمستشعرات الأرق، و300 بيكوثانية للمستشعرات الأكثر سمكاً. والبيكوثانية هي جزء من تريليون من الثانية، وهو مقياس زمني سريع جداً لدرجة أن الضوء لا يقطع فيه سوى جزء ضئيل من المليمتر. ومع ذلك، ظهرت الميزة الحقيقية للشبكة العصبية عندما كانت كمية البيانات المتاحة محدودة. ففي العالم الحقيقي، يمكن أن يكون جمع كميات هائلة من بيانات المعايرة أمراً صعباً إذا كانت حزمة الجسيمات ضعيفة أو صغيرة. وقد عانت الطريقة التقليدية في هذه الظروف، حيث كانت تتطلب مئات الضربات لكل بكسل في المستشعر لإنتاج تصحيح موثوق. وفي المقابل، حققت الشبكة العصبية نفس المستوى العالي من الدقة باستخدام حوالي 20 بالمائة فقط من البيانات.
علاوة على ذلك، لم تفشل الشبكة العصبية أبداً في تقديم إجابة. فالطريقة التقليدية، التي تعتمد على ملء خانات محددة من البيانات، ستتوقف ببساطة عن العمل إذا لم يتوفر عدد كافٍ من الضربات في منطقة معينة من المستشعر، مما يترك تلك القياسات دون تصحيح. أما الشبكة العصبية، وبفضل تعلمها لنمط مستمر، فقد استطاعت تقديم تصحيح لكل ضربة، بغض النظر عن مدى ندرة البيانات المتاحة. وهذا يعني أنه بالنسبة للتجارب التي تكون فيها البيانات شحيحة، يمكن للطريقة الجديدة تحقيق نفس الأداء أسرع بخمس مرات من الطريقة القديمة. وتؤكد الدراسة أن تعلم الآلة يمكن أن يحل محل إجراءات المعايرة اليدوية المعقدة بنظام أكثر قوة ومرونة، مما يمهد الطريق لتوقيت أكثر دقة في الجيل القادم من كواشف الجسيمات دون الحاجة إلى حملات جمع بيانات ضخمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.